Rapid Gaussian Boson Sampling Circuit Screening for GKP States Creation via a Two-Stage Machine Learning Surrogate

Resumo Técnico: Triagem Rápida de Circuitos de Amostragem de Bósons Gaussianos para a Criação de Estados GKP via um Modelo Substitutos de Aprendizado de Máquina de Dois Estágios

Problema
A geração de estados de Gottesman–Kitaev–Preskill (GKP) é um requisito crítico para a computação quântica fotônica escalável e tolerante a falhas. Embora a Amostragem de Bósons Gaussianos (GBS) ofereça um caminho promissor de todos os fótons para gerar esses estados não gaussianos via não linearidade induzida por medição, o design prático de circuitos GBS é dificultado pela intratabilidade computacional. Avaliar uma única configuração de circuito requer o cálculo de hafnians de matrizes, que são funções #P-completas. Para um circuito de cinco modos com um truncamento de espaço de Fock de $n_{\text{max}}=12$, uma única avaliação de um par (circuito, padrão de heralding) leva aproximadamente cinco minutos em uma estação de trabalho moderna. A exploração sistemática do espaço de parâmetros para encontrar circuitos que produzam estados GKP de alta fidelidade ($F \geq 0,90$) com probabilidade de pós-seleção suficiente é, portanto, computacionalmente proibitiva, pois exigiria milhares dessas avaliações.

Metodologia
Os autores propõem o GKP Circuit ML Pipeline v2, um framework de modelo substituto (surrogate) de aprendizado de máquina de dois estágios projetado para triar circuitos GBS candidatos rapidamente, reservando simulações quânticas exatas e caras apenas para os candidatos mais promissores. O pipeline é construído sobre os seguintes princípios arquitetônicos:

1. Arquitetura em Cascata:

   • Estágio 1 (Classificador de Padrões): Um HistGradientBoostingClassifier prevê o padrão de heralding ideal (distribuição de número de fótons entre os modos medidos) diretamente dos parâmetros do circuito. Esta etapa aborda a explosão combinatória de padrões válidos.
   • Estágio 2 (Regressores): Dois modelos HistGradientBoostingRegressor preveem a fidelidade do circuito ($F$) e o logaritmo da probabilidade de pós-seleção ($\log_{10} p$). Crucialmente, esses modelos condicionam suas previsões à saída do Estágio 1, aproveitando explicitamente a dependência física entre a estrutura de número de fótons heraldada e a qualidade do estado de saída alcançável.

2. Engenharia de Atributos (Feature Engineering):
   Para generalizar entre circuitos com diferentes contagens de modos (3, 4 ou 5 modos) sem retreinamento, o pipeline utiliza uma representação de atributos de dimensão fixa. Isso inclui:

   • Parâmetros Brutos: Amplitudes de squeezing com preenchimento de zeros (zero-padding), ângulos de mistura de divisores de feixe e fases.
   • Metadados de Configuração: $n_{\text{max}}$, número de modos e squeezing alvo $\Delta$.
   • Agregados Derivados da Física: Onze estatísticas específicas do domínio (ex: potência total de squeezing, uniformidade de acoplamento, coerência de fase) que capturam propriedades globais do circuito.
   • Estatísticas de Padrão: (Apenas para o Estágio 2) Estatísticas que resumem o padrão de heralding previsto.

3. Estratégia de Validação Condicional:
   O substituto não atua como um preditor autônomo. Ele funciona como um mecanismo de filtragem computacional. Qualquer circuito previsto como capaz de produzir GKP ($F \geq 0,90$) é imediatamente submetido a uma simulação quântica exata completa usando Strawberry Fields e thewalrus. Isso garante que as métricas finais relatadas (fidelidade, probabilidade de sucesso, função Wigner, negatividade logarítmica de Wigner) sejam verificadas fisicamente, enquanto o substituto filtra a grande maioria dos candidatos de baixo desempenho.

Principais Resultados
O pipeline foi treinado em 689 configurações de circuitos pré-otimizados e avaliado em um conjunto de teste de 170 amostras.

• Precisão de Detecção de GKP: O substituto alcançou 90,0% de precisão na identificação de circuitos capazes de produzir estados GKP ($F \geq 0,90$). Isso representa uma melhora de 23,7 pontos percentuais sobre a linha de base da classe majoritária (que sempre prevê "capaz de GKP").
• Desempenho de Regressão:
  • Fidelidade: O modelo prevê a fidelidade com um Erro Médio Absoluto (MAE) de 0,032 no conjunto de teste, explicando aproximadamente 76% da variância ($R^2 = 0,760$).
  • Probabilidade: O modelo prevê a probabilidade de pós-seleção em uma escala logarítmica com $R^2 = 0,837$ e um MAE de 0,432 (em unidades log), correspondendo a um erro médio de aproximadamente metade de uma ordem de magnitude.
• Eficiência Computacional: O substituto reduz o tempo de triagem de minutos (ou horas para buscas exaustivas) para 1–5 milissegundos por circuito. Para uma busca envolvendo 10.000 candidatos, esta abordagem reduz a carga computacional total de aproximadamente 12.500 horas-CPU (avaliação exaustiva) para 1.250 horas-CPU (filtragem guiada pelo substituto), uma aceleração de dez vezes.
• Modos de Falha: O estudo identifica um modo de falha sistemático onde o substituto falha em circuitos com convenções de sinal de squeezing sub-representadas nos dados de treinamento (ex: prevendo $F \approx 0,99$ para um circuito que na verdade produz $F \approx 0,30$). No entanto, a etapa de validação condicional obrigatória detecta com sucesso esses erros, impedindo que eles se propaguem para propostas experimentais.

Significância e Alegações
O artigo alega que este pipeline substituto de dois estágios fornece uma solução prática para o gargalo do design de circuitos GBS para a geração de estados GKP. Ao combinar a triagem rápida por aprendizado de máquina com a validação rigorosa por simulação exata, o framework permite uma exploração de parâmetros em larga escala que era anteriormente intratável.

Os autores enfatizam que o sistema não é um preditor autônomo, mas sim um filtro computacional. Sua principal contribuição é a capacidade de triar milhares de configurações em milissegundos, identificando um pequeno subconjunto de candidatos de alto potencial para verificação cara. O artigo reconhece modestamente limitações, incluindo a sensibilidade do modelo a convenções de sinal fora da distribuição de treinamento e a taxa de classificação incorreta de 36% do classificador de padrões do Estágio 1, o que introduz erros em cascata no Estágio 2. Os autores concluem que, embora o substituto acelere significativamente o processo de design, a etapa de simulação exata obrigatória permanece como a garantia essencial de confiabilidade do framework.